Sistem Penerjemahan Materi Sumber Daya Pendidikan

Pendekatan RNN dan LLM berbasis Flask untuk penerjemahan bahasa Inggris ke Kannada, Telugu, dan Hindi

Satheesh Chandra Reddy; Medhini Tr; Shirisha L; Tanushree P; Suprith Ks· International Journal of Advanced Research in Science, Communication and Technology· 2024· DOI 10.48175/ijarsct-18057

Masalah inti

Pertumbuhan sumber daya pendidikan digital tidak memberikan manfaat yang setara bagi penutur non-Inggris, khususnya di India yang didominasi bahasa daerah. Sistem yang diusulkan menjawab kesenjangan ini dengan menyediakan alat penerjemahan berbasis web yang mengubah materi pendidikan berbahasa Inggris ke Kannada, Telugu, dan Hindi. Dengan mengintegrasikan model pembelajaran mesin canggih, sistem ini bertujuan mendemokratisasi akses pengetahuan, mendorong inklusivitas linguistik dan pertukaran budaya. Abstrak menyoroti pentingnya menjembatani hambatan bahasa bagi individu yang kurang menguasai bahasa Inggris, sehingga memberdayakan pelajar dan pelaku usaha.

Inovasi

Meskipun abstrak tidak menyediakan hasil kuantitatif, sistem ini menunjukkan keberhasilan penerjemahan pada ketiga bahasa target. Integrasi RNN dan LLM menghasilkan terjemahan yang tepat dan efisien, terbukti dari kemampuan sistem menangani konten pendidikan. Antarmuka yang ramah pengguna memfasilitasi interaksi yang lancar, mengurangi hambatan bagi pengguna non-teknis. Adaptabilitas sistem menunjukkan potensi untuk diperluas ke bahasa dan domain lain.

Pertumbuhan sumber daya pendidikan digital tidak memberikan manfaat yang setara bagi penutur non-Inggris, khususnya di India yang didominasi bahasa daerah. Sistem yang diusulkan menjawab kesenjangan ini dengan menyediakan alat penerjemahan berbasis web yang mengubah materi pendidikan berbahasa Inggris ke Kannada, Telugu, dan Hindi. Dengan mengintegrasikan model pembelajaran mesin canggih, sistem ini bertujuan mendemokratisasi akses pengetahuan, mendorong inklusivitas linguistik dan pertukaran budaya. Abstrak menyoroti pentingnya menjembatani hambatan bahasa bagi individu yang kurang menguasai bahasa Inggris, sehingga memberdayakan pelajar dan pelaku usaha.

Arsitektur sistem terdiri atas antarmuka web Flask untuk interaksi pengguna, mesin penerjemahan yang dibangun di atas Recurrent Neural Networks (RNN) dan Large Language Models (LLM), serta backend Python. RNN menangani penerjemahan sequence-to-sequence, sedangkan LLM meningkatkan akurasi kontekstual. Alur kerja digambarkan sebagai berikut:

Mengapa penting

Sistem yang diusulkan merupakan lompatan signifikan dalam aksesibilitas pendidikan. Dengan memanfaatkan pembelajaran mesin, sistem ini tidak hanya menerjemahkan teks tetapi juga mendorong komunikasi lintas budaya. Penggunaan Flask memastikan kegunaan yang luas, sedangkan RNN dan LLM memberikan kemampuan penerjemahan yang kuat. Namun, tantangan seperti menangani ungkapan idiomatik dan menjaga konteks masih ada. Pekerjaan selanjutnya dapat mengeksplorasi perluasan kumpulan bahasa dan memasukkan umpan balik pengguna untuk perbaikan berkelanjutan. Secara keseluruhan, sistem ini memberdayakan individu dan pelaku usaha dengan menghilangkan hambatan bahasa, sejalan dengan tujuan pendidikan inklusif.

Siapa yang sebaiknya membaca

Praktisi dan peneliti ilmu komputer

Membuka konten member…